Главное про AI - Вадим Жартун
McKinsey в State of AI 2024 зафиксировал, что 76% крупных компаний назвали нехватку AI-специалистов серьёзным барьером. Это значит, что компании, рассчитывающие купить все роли на рынке, проиграют компаниям, которые выращивают свои роли. PwC в июне 2025 года выпустил 2025 Global AI Jobs Barometer: 56% wage premium (надбавки к зарплате) для сотрудников с AI-навыками, рост с 25% годом ранее. Дополнительный сигнал: навыки в AI-профессиях обновляются в 2,5 раза чаще, чем в других, — 66% AI-специалистов меняют ключевые навыки ежегодно против 25% в других профессиях год назад. Любая роль, связанная с AI, устаревает за 12–18 месяцев, и бюджет на обучение ролей должен быть в плане, а не «по остаточному принципу».
СИГНАЛЫ РАЗМЫТОСТИ РОЛЕЙ
Пять типовых признаков, по которым видно, что ролевая модель в проекте не работает:
1: Один человек готовит данные, обучает модель, проверяет результат и пишет пользователям инструкции. Через 3 месяца он выгорает. Проект встаёт.
2: На совещании статуса никто не может ответить «где сейчас проект» в одном предложении. Все отвечают про свой кусок.
3: Бизнес не знает, кто отвечает за эффект, а ИТ не знает, кто отвечает за модель.
4: Решение «делаем или не делаем» ждёт согласования 2 недели, потому что неясно, кто его принимает.
5: После пилота никто не берёт на себя ответственность за промышленную эксплуатацию.
Пять ролей, отличия от IT-проекта: владелец AI отвечает не за внедрение, а за продолжение работы модели через 6 и 12 месяцев; промпт-инженер переводит между заказчиком и моделью, его работа продолжается после внедрения; специалист по оценке проверяет не баги, а качество и дрейф; интегратор встраивает модель в процессы и регламенты; продакт-менеджер AI фокусируется на эффекте для бизнеса, а не на фичах. Пилот делает «AI-команда», но ни один из владельцев процессов не вовлечён — проект умрёт в его календаре. Это не ошибка «про данные», а ошибка распределения ответственности.
ПИЛОТ УДАЛСЯ, МАСШТАБИРОВАНИЕ БУКСУЕТ: ЧТО ДЕЛАТЬ
«Pilot purgatory» — состояние, которое в деловом обиходе называют «чистилищем пилотов». Это положение, в котором компания провела десятки пилотов, но ни один не вышел в полноценный продакшн. В 2024–2025 годах этот термин подтверждается в каждом крупном исследовании.
MIT в 2025 году выпустил отчёт, согласно которому 95% корпоративных AI-пилотов не приносят значимого результата. McKinsey State of AI 2025: 88% компаний регулярно используют AI хотя бы в одной функции — та же цифра, с которой мы начали главу, — но только около 33% начали масштабирование по всей компании. (Заметьте: это не «39% видят EBIT» из начала главы, а другая метрика — «доля тех, кто начал масштабировать». 39% видят эффект на EBIT, 33% масштабируют; группы частично пересекаются, но не совпадают.) Остальные сидят в зоне «все попробовали, никто не выкатил». Это означает две вещи. Первая: пилот в одной команде не даёт пропуска в масштаб. Вторая: масштабирование живёт по другим правилам, и его нельзя свести к «продолжению пилота». Слово «масштаб» обманчиво: оно создаёт иллюзию, что достаточно умножить на N. На практике это другая задача, с другими людьми, с другими рисками и с другими метриками.
BCG в октябре 2024 года выпустил отчёт Where’s the Value in AI с цифрой, которая перевернула дискуссию: только 26% компаний вышли за пределы пилотов и показывают измеримую отдачу от AI. Остальные 74% застряли. Эти 26% — AI-лидеры — обходят остальных по выручке в 1,5 раза, по доходности акционеров в 1,6 раза, по ROI (Return on Investment — возврат инвестиций) на инвестированный капитал в 1,4 раза. Цифры не оставляют пространства для оптимизма: разрыв между лидерами и остальными — разрыв в 3–4 раза по эффективности AI-проектов.
BCG объясняет разрыв шестью характеристиками лидеров, и каждая из них относится не к технологии, а к организации: фокус на ключевых процессах, более амбициозные цели, интеграция AI в расходы и доходы, фокус на малых приоритетах, приоритет людей над алгоритмами (правило 10–20–70), быстрое движение по проектам в области генеративного AI.
Лидеры выигрывают не моделью, а организацией. Эти шесть характеристик — не про GPU, а про то, как люди принимают решения.
ПРИЧИНЫ ПРОВАЛА МАСШТАБИРОВАНИЯ
Причина №1: пилот держался на одном человеке. Это самая частая ситуация. Чемпион-энтузиаст лично собирал данные, лично настраивал модель, лично показывал результат. Когда чемпион уходит в отпуск, переводится или меняет работу, пилот умирает. В масштабе один человек не может быть «приложением ко всем процессам». Решение на этапе пилота: сразу документировать и передавать знания, иметь двух «наследников» чемпионства.
Причина №2: данные в новых отделах оказались другими. Пилот работал на чистых, подготовленных данных одного отдела. В новых отделах данные собираются иначе, обновляются иначе, имеют другую структуру. Модель, обученная на одних данных, в других показывает мусор. Решение на этапе пилота: проверить модель на данных из 2–3 разных источников, не только из «дружественного» отдела.
Причина №3: процесс в новых отделах не вписывается в предположения модели. Пилот встроен в процесс отдела-пилота: ручные проверки, локальные регламенты, привычные обходные пути. В другом отделе процесс другой, и модель требует ручной работы, которая в пилоте делалась энтузиастом. Решение на этапе пилота: явно прописать, какие шаги процесса модель предполагает, и проверить, есть ли эти шаги в других отделах.
Причина №4: метрика успеха пилота не пересмотрена для масштаба. Пилот считал экономию времени на одной задаче. В масштабе появляются другие метрики: время на настройку, на поддержку, на коммуникации, на обучение новых пользователей. Решение на этапе пилота: заранее нарисовать карту метрик, которые появятся в масштабе, и зафиксировать, как их измерять.
Причина №5: владелец AI на стороне бизнеса — тот же, кто запускал пилот, и в масштабе у него нет ни времени, ни полномочий. В пилоте владелец — операционный директор, который нашёл на это время. В масштабе ему нужно управлять пятью отделами, и пилот для него перестаёт быть приоритетом. Решение на этапе пилота: с самого начала искать владельца, для которого AI-проект — часть KPI, а не дополнительная нагрузка.
ОТ БЕТЫ К GA: ЭТАПЫ ВЗРОСЛЕНИЯ ПРОДУКТА
Пилот — это бета (открытая пробная версия для ограниченного круга пользователей, в которой баги и шероховатости ожидаемы и допустимы). В бете можно показывать баги (ошибки в программе), можно